Les Jeux paralympiques sont un événement sportif international majeur, regroupant les sports d’été ou d’hiver, auquel des milliers d’athlètes handicapés participent à travers différentes compétitions tous les quatre ans à la suite des Jeux olympiques, pour chaque olympiade. Y participent des athlètes atteints par un handicap physique, visuel ou mental. Ils sont organisés par le Comité international paralympique (et non pas par le Comité international olympique).

library(tidyverse)
library(skimr)
library(knitr)
library(kableExtra)
library(rvest)
library(reshape2)
library(gganimate)
library(magick)

SW <- readr::read_csv('https://raw.githubusercontent.com/youmrg/data_R/main/SW.csv')

le jeu des données

SW
## # A tibble: 6,201 x 6
##    gender event               medal  athlete        abb    year
##    <chr>  <chr>               <chr>  <chr>          <chr> <dbl>
##  1 Men    25 m Freestyle 1A   Gold   KENNY Mike     GBR    1980
##  2 Men    25 m Freestyle 1A   Silver KANTOLA Pekka  FIN    1980
##  3 Men    25 m Freestyle 1A   Bronze TIETZE H.      FRG    1980
##  4 Men    25 m Freestyle 1B   Gold   BURGER M.      CAN    1980
##  5 Men    25 m Freestyle 1B   Silver SLUPE G.       USA    1980
##  6 Men    25 m Freestyle 1B   Bronze MAKI Eero      FIN    1980
##  7 Men    25 m Freestyle 1C   Gold   SMYK Zbigniew  POL    1980
##  8 Men    25 m Freestyle 1C   Silver EMMEL Manfred  FRG    1980
##  9 Men    25 m Freestyle 1C   Bronze OCKVIRK Robert USA    1980
## 10 Men    50 m Freestyle CP C Gold   ADLER Kare     NOR    1980
## # ... with 6,191 more rows

Questions:

**1.Quel le classement des pays selon les nombre de medailles depuis le début des jeux ?

compter les medailles de chaque pays

medal_count<- SW %>%
  group_by(abb, medal) %>%
  summarize(Count=length(medal)) 
medal_count
## # A tibble: 172 x 3
## # Groups:   abb [67]
##    abb   medal  Count
##    <chr> <chr>  <int>
##  1 ARG   Bronze     9
##  2 ARG   Gold       5
##  3 ARG   Silver    10
##  4 AUS   Bronze   160
##  5 AUS   Gold     147
##  6 AUS   Silver   158
##  7 AUT   Bronze     2
##  8 AUT   Gold       2
##  9 AUT   Silver     4
## 10 AZE   Gold       1
## # ... with 162 more rows

ordonner les pays par nombre de medailles

ord_med <- medal_count %>%
  group_by(abb) %>%
  summarize(Total=sum(Count)) %>%
  arrange(Total) %>%
  select(abb)
  ord_med
## # A tibble: 67 x 1
##    abb  
##    <chr>
##  1 BAH  
##  2 BUL  
##  3 KAZ  
##  4 LTU  
##  5 MAR  
##  6 TTO  
##  7 VIE  
##  8 IPP  
##  9 SLO  
## 10 TCH  
## # ... with 57 more rows
medal_count$abb <- factor(medal_count$abb, levels=ord_med$abb)

le plot

ggplot(medal_count, aes(x=abb, y=Count, fill=medal)) +
  geom_col() +
  coord_flip() +
  scale_fill_manual(values=c("gold1","gray70","gold4")) +
  ggtitle("Le classement des pays par le total des médailles ") +
  theme(plot.title = element_text(hjust = 0.5))

**2.Quel le Nombre de medailles d’or de la France au fil du temps?

FR_gold <- SW %>% group_by(year, abb, medal) %>% filter(medal=="Gold", abb=='FRA') %>% summarize(Count=n()) %>% arrange(year) %>% group_by(year)
FR_gold 
## # A tibble: 9 x 4
## # Groups:   year [9]
##    year abb   medal Count
##   <dbl> <chr> <chr> <int>
## 1  1980 FRA   Gold      4
## 2  1984 FRA   Gold     35
## 3  1988 FRA   Gold     16
## 4  1992 FRA   Gold     20
## 5  1996 FRA   Gold     12
## 6  2000 FRA   Gold     12
## 7  2004 FRA   Gold      4
## 8  2008 FRA   Gold      2
## 9  2012 FRA   Gold      2

Le plot :

ggplot(FR_gold, aes(x=year, y=Count, group=medal)) +
geom_line(aes(colour=abb)) +
geom_point(aes(colour=abb))+
scale_x_continuous(breaks=FR_gold$year)+
theme(legend.position="none", legend.text=element_text(size=0),axis.text.x=element_text(size=8, angle=90,vjust=0,hjust=1))+
labs(title="Number of France gold medals over the time", x="Years", y="Num. of Medals")

**3.quel est le nombre de medailles par sex ?

ggplot(SW,aes(x= gender ,fill= medal))+
  geom_bar()+
  scale_fill_manual(values=c("gold1","gray70","gold4")) +
  ggtitle("nombre de medailles par sex ") +
  theme(plot.title = element_text(hjust = 0.5))

**4.quel est le nombre de medailles par sex pour chaque année ?

ggplot(SW,aes(x= gender ,fill= medal))+
  facet_wrap(~ year)+
  geom_bar()+
  scale_fill_manual(values=c("gold1","gray70","gold4")) +
  ggtitle("nombre de medailles par sex pour chaque année ") +
  theme(plot.title = element_text(hjust = 0.5))  

#### **5.Quel Le nombre des hommes et des femmes au fil des années?

Tableau de comptage du nombre d’athlètes par année et sexe:

counts_sex <- SW %>%
   filter(gender != "Mixed")%>%
group_by(year,gender) %>%
  summarize(Athletes = length(unique(athlete)))
counts_sex$year <- as.integer(counts_sex$year)
counts_sex
## # A tibble: 20 x 3
## # Groups:   year [10]
##     year gender Athletes
##    <int> <chr>     <int>
##  1  1980 Men         118
##  2  1980 Women        92
##  3  1984 Men         214
##  4  1984 Women       144
##  5  1988 Men         185
##  6  1988 Women        97
##  7  1992 Men         121
##  8  1992 Women       106
##  9  1996 Men         136
## 10  1996 Women       115
## 11  2000 Men         176
## 12  2000 Women       118
## 13  2004 Men         151
## 14  2004 Women       110
## 15  2008 Men         128
## 16  2008 Women        86
## 17  2012 Men         133
## 18  2012 Women        96
## 19  2016 Men         131
## 20  2016 Women       111

Le plot:

ggplot(counts_sex, aes(x=year, y=Athletes, group=gender, color=gender)) +
  geom_point(size=2) +
  geom_line()  +
  scale_color_manual(values=c("darkblue","red")) +
  labs(title = "Le nombre des hommes et des femmes au fil des années") +
  theme(plot.title = element_text(hjust = 0.5))

**6.C’est quoi les 5 catégories les plus populaires par sexe?

Le tableau des catégories les plus populaires par sexe :

popu_event <- SW %>% 
  filter(gender != "Mixed")%>% 
  group_by(event, gender) %>%
  summarize(Count=n()) %>% 
  group_by(gender) %>% 
  top_n(5,event)
popu_event
## # A tibble: 10 x 3
## # Groups:   gender [2]
##    event                     gender Count
##    <chr>                     <chr>  <int>
##  1 50 m Freestyle S5         Women     21
##  2 50 m Freestyle S6         Women     21
##  3 50 m Freestyle S7         Men       21
##  4 50 m Freestyle S7         Women     21
##  5 50 m Freestyle S8         Men       21
##  6 50 m Freestyle S8         Women     21
##  7 50 m Freestyle S9         Men       21
##  8 50 m Freestyle S9         Women     21
##  9 75 m Individual Medley 1A Men        3
## 10 75 m Individual Medley 1B Men        3

Le plot:

ggplot(popu_event, aes(x=event, y=Count, group=gender, label=format(Count, big.mark=".", decimal.mark=","))) +
geom_col(aes(color=gender, fill=gender)) +
geom_text(position=position_stack(vjust=0.5), size=3, check_overlap=TRUE) + 
scale_y_discrete() +
theme(legend.position="right", axis.text.x=element_text(size=10, angle=90,vjust=0,hjust=1))+
labs(title="les 5 catégories les plus  populaires par sexe", x="Catégories", y="Nombre. athletes")

**7.Quels sont les pays qui n’ont pas de médaille d’or mais ils ont les autres ?

data_abb_medal <- dcast(medal_count, abb ~ medal)
data_abb_medal[is.na(data_abb_medal)] <- 0
data_abb_medal
##    abb Bronze Gold Silver
## 1  BAH      1    0      0
## 2  BUL      0    0      1
## 3  KAZ      0    1      0
## 4  LTU      0    0      1
## 5  MAR      1    0      0
## 6  TTO      1    0      0
## 7  VIE      0    0      1
## 8  IPP      0    1      1
## 9  SLO      2    0      0
## 10 TCH      1    0      1
## 11 KUW      2    0      1
## 12 LUX      0    1      2
## 13 CRO      4    0      0
## 14 CYP      1    2      1
## 15 HKG      3    1      0
## 16 JAM      0    1      3
## 17 CUB      2    1      2
## 18 PER      2    2      1
## 19 SGP      1    3      1
## 20 ZIM      3    0      2
## 21 AUT      2    2      4
## 22 AZE      0    1      7
## 23 THA      4    1      3
## 24 EGY      6    1      2
## 25 POR      6    0      3
## 26 SVK      3    2      4
## 27 EST      3    2      5
## 28 COL      4    2      5
## 29 SUI      8    0      4
## 30 UZB      6    2      4
## 31 EUN      6    4      3
## 32 FRO      5    1      7
## 33 KOR      6    7      2
## 34 YUG      9    3      6
## 35 URS      9    0     11
## 36 ARG      9    5     10
## 37 IRL      7    9      9
## 38 CZE     14   12      4
## 39 BEL     13    6     12
## 40 FIN     19    5     13
## 41 GRE     11   10     17
## 42 BLR      9   21     14
## 43 ISL     27   14      8
## 44 RSA     13   24     15
## 45 MEX     22   24     12
## 46 NZL     14   30     19
## 47 ITA     25   18     30
## 48 HUN     33   32     23
## 49 JPN     42   35     25
## 50 ISR     41   31     41
## 51 RUS     42   33     42
## 52 NOR     35   54     43
## 53 BRA     47   35     56
## 54 DEN     67   37     40
## 55 FRG     39   63     56
## 56 GER     61   67     76
## 57 UKR     78   78     65
## 58 SWE     54   95     94
## 59 POL     81   91     89
## 60 FRA     93  107    103
## 61 NED     94  117    103
## 62 CHN    107  150    119
## 63 ESP    140  118    122
## 64 CAN    118  165    119
## 65 AUS    160  147    158
## 66 USA    192  241    185
## 67 GBR    212  204    252
no_gold_data <- subset(data_abb_medal, Gold == 0 & Silver>0 & Bronze>0)
print("les pays qui n'ont pas de médaille d'or mais ils ont les autres")
## [1] "les pays qui n'ont pas de médaille d'or mais ils ont les autres"
no_gold_data$abb
## [1] TCH KUW ZIM POR SUI URS
## 67 Levels: BAH BUL KAZ LTU MAR TTO VIE IPP SLO TCH KUW LUX CRO CYP HKG ... GBR

**8.

all_medal_sex <- SW%>% group_by(abb, medal, gender) %>%
  summarise(total = n())
all_medal_sex.wide <- dcast(all_medal_sex, abb ~ medal+gender)
all_medal_sex.wide[is.na(all_medal_sex.wide)] <- 0
all_medal_sex.wide
##    abb Bronze_Men Bronze_Mixed Bronze_Women Gold_Men Gold_Mixed Gold_Women
## 1  ARG          2            0            7        0          0          5
## 2  AUS         63            0           97       72          0         75
## 3  AUT          2            0            0        2          0          0
## 4  AZE          0            0            0        0          0          1
## 5  BAH          0            0            1        0          0          0
## 6  BEL          7            0            6        4          0          2
## 7  BLR          9            0            0       21          0          0
## 8  BRA         39            0            8       31          0          4
## 9  BUL          0            0            0        0          0          0
## 10 CAN         53            0           65       73          0         92
## 11 CHN         74            0           33      105          8         37
## 12 COL          4            0            0        2          0          0
## 13 CRO          4            0            0        0          0          0
## 14 CUB          2            0            0        1          0          0
## 15 CYP          0            0            1        0          0          2
## 16 CZE          8            0            6        5          0          7
## 17 DEN         43            0           24       28          0          9
## 18 EGY          6            0            0        1          0          0
## 19 ESP         80            0           60       69          0         49
## 20 EST          1            0            2        0          0          2
## 21 EUN          4            0            2        4          0          0
## 22 FIN          6            0           13        1          0          4
## 23 FRA         55            0           38       59          0         48
## 24 FRG         32            0            7       36          0         27
## 25 FRO          0            0            5        0          0          1
## 26 GBR         84            0          128      119          0         85
## 27 GER         23            0           38       25          0         42
## 28 GRE         10            0            1       10          0          0
## 29 HKG          2            0            1        1          0          0
## 30 HUN         22            0           11       25          0          7
## 31 IPP          0            0            0        1          0          0
## 32 IRL          6            0            1        6          0          3
## 33 ISL          8            0           19        6          0          8
## 34 ISR         32            0            9       25          0          6
## 35 ITA         21            0            4       14          0          4
## 36 JAM          0            0            0        0          0          1
## 37 JPN         33            0            9       12          0         23
## 38 KAZ          0            0            0        0          0          1
## 39 KOR          6            0            0        7          0          0
## 40 KUW          2            0            0        0          0          0
## 41 LTU          0            0            0        0          0          0
## 42 LUX          0            0            0        1          0          0
## 43 MAR          1            0            0        0          0          0
## 44 MEX         11            0           11       11          0         13
## 45 NED         57            0           37       71          0         46
## 46 NOR         17            0           18       34          0         20
## 47 NZL          9            0            5       11          0         19
## 48 PER          2            0            0        2          0          0
## 49 POL         56            0           25       60          0         31
## 50 POR          3            0            3        0          0          0
## 51 RSA         11            0            2       10          0         14
## 52 RUS         33            0            9       22          0         11
## 53 SGP          0            0            1        0          0          3
## 54 SLO          2            0            0        0          0          0
## 55 SUI          7            0            1        0          0          0
## 56 SVK          2            0            1        2          0          0
## 57 SWE         28            0           26       39          0         56
## 58 TCH          1            0            0        0          0          0
## 59 THA          4            0            0        1          0          0
## 60 TTO          0            0            1        0          0          0
## 61 UKR         52            7           19       62          0         16
## 62 URS          3            0            6        0          0          0
## 63 USA         84            0          108       89          0        152
## 64 UZB          3            0            3        1          0          1
## 65 VIE          0            0            0        0          0          0
## 66 YUG          8            0            1        3          0          0
## 67 ZIM          1            0            2        0          0          0
##    Silver_Men Silver_Mixed Silver_Women
## 1           3            0            7
## 2          78            0           80
## 3           4            0            0
## 4           3            0            4
## 5           0            0            0
## 6           7            0            5
## 7          14            0            0
## 8          44            6            6
## 9           0            0            1
## 10         50            0           69
## 11         99            0           20
## 12          5            0            0
## 13          0            0            0
## 14          2            0            0
## 15          0            0            1
## 16          0            0            4
## 17         27            0           13
## 18          2            0            0
## 19         69            0           53
## 20          0            0            5
## 21          2            0            1
## 22          5            0            8
## 23         51            0           52
## 24         41            0           15
## 25          0            0            7
## 26        119            0          133
## 27         25            0           51
## 28         15            0            2
## 29          0            0            0
## 30         15            0            8
## 31          1            0            0
## 32          4            0            5
## 33          4            0            4
## 34         35            0            6
## 35         23            0            7
## 36          0            0            3
## 37         21            0            4
## 38          0            0            0
## 39          2            0            0
## 40          1            0            0
## 41          1            0            0
## 42          2            0            0
## 43          0            0            0
## 44          6            0            6
## 45         57            0           46
## 46         26            0           17
## 47          8            0           11
## 48          1            0            0
## 49         63            0           26
## 50          0            0            3
## 51         13            0            2
## 52         32            0           10
## 53          0            0            1
## 54          0            0            0
## 55          4            0            0
## 56          0            0            4
## 57         44            0           50
## 58          1            0            0
## 59          3            0            0
## 60          0            0            0
## 61         41            0           24
## 62          9            0            2
## 63         62            0          123
## 64          1            0            3
## 65          1            0            0
## 66          6            0            0
## 67          0            0            2

**8a.Quel sont les pays où juste c’est les hommes qu’y ont gagné la médaille d’or?

no_women_gold <- subset(all_medal_sex.wide, Gold_Women ==0 & Gold_Men>0 )
no_women_gold
##    abb Bronze_Men Bronze_Mixed Bronze_Women Gold_Men Gold_Mixed Gold_Women
## 3  AUT          2            0            0        2          0          0
## 7  BLR          9            0            0       21          0          0
## 12 COL          4            0            0        2          0          0
## 14 CUB          2            0            0        1          0          0
## 18 EGY          6            0            0        1          0          0
## 21 EUN          4            0            2        4          0          0
## 28 GRE         10            0            1       10          0          0
## 29 HKG          2            0            1        1          0          0
## 31 IPP          0            0            0        1          0          0
## 39 KOR          6            0            0        7          0          0
## 42 LUX          0            0            0        1          0          0
## 48 PER          2            0            0        2          0          0
## 56 SVK          2            0            1        2          0          0
## 59 THA          4            0            0        1          0          0
## 66 YUG          8            0            1        3          0          0
##    Silver_Men Silver_Mixed Silver_Women
## 3           4            0            0
## 7          14            0            0
## 12          5            0            0
## 14          2            0            0
## 18          2            0            0
## 21          2            0            1
## 28         15            0            2
## 29          0            0            0
## 31          1            0            0
## 39          2            0            0
## 42          2            0            0
## 48          1            0            0
## 56          0            0            4
## 59          3            0            0
## 66          6            0            0
print(" Les pays où les femmes n'ont jamis remporté de médaille d'or mais où les hommes l'ont remporté")
## [1] " Les pays où les femmes n'ont jamis remporté de médaille d'or mais où les hommes l'ont remporté"
no_women_gold$abb
##  [1] "AUT" "BLR" "COL" "CUB" "EGY" "EUN" "GRE" "HKG" "IPP" "KOR" "LUX" "PER"
## [13] "SVK" "THA" "YUG"

**8b.Quel sont les pays où les femmes qu’ont gagné la médaille d’or ?

no_men_gold <- subset(all_medal_sex.wide, Gold_Women>0 & Gold_Men==0 )
no_men_gold 
##    abb Bronze_Men Bronze_Mixed Bronze_Women Gold_Men Gold_Mixed Gold_Women
## 1  ARG          2            0            7        0          0          5
## 4  AZE          0            0            0        0          0          1
## 15 CYP          0            0            1        0          0          2
## 20 EST          1            0            2        0          0          2
## 25 FRO          0            0            5        0          0          1
## 36 JAM          0            0            0        0          0          1
## 38 KAZ          0            0            0        0          0          1
## 53 SGP          0            0            1        0          0          3
##    Silver_Men Silver_Mixed Silver_Women
## 1           3            0            7
## 4           3            0            4
## 15          0            0            1
## 20          0            0            5
## 25          0            0            7
## 36          0            0            3
## 38          0            0            0
## 53          0            0            1
print("Les pays où les hommes n'ont jamis remporté de médaille d'or mais où les femmes l'ont remporté")
## [1] "Les pays où les hommes n'ont jamis remporté de médaille d'or mais où les femmes l'ont remporté"
no_men_gold$abb
## [1] "ARG" "AZE" "CYP" "EST" "FRO" "JAM" "KAZ" "SGP"
**9.quelle la distrubtion des medailles dans le monde en 1980 et 2016?
noc <- readr::read_csv('https://raw.githubusercontent.com/youmrg/data_R/main/noc_regions.csv')

noc = noc %>%
  rename(abb = NOC)
noc
## # A tibble: 230 x 3
##    abb   region      notes               
##    <chr> <chr>       <chr>               
##  1 AFG   Afghanistan <NA>                
##  2 AHO   Curacao     Netherlands Antilles
##  3 ALB   Albania     <NA>                
##  4 ALG   Algeria     <NA>                
##  5 AND   Andorra     <NA>                
##  6 ANG   Angola      <NA>                
##  7 ANT   Antigua     Antigua and Barbuda 
##  8 ANZ   Australia   Australasia         
##  9 ARG   Argentina   <NA>                
## 10 ARM   Armenia     <NA>                
## # ... with 220 more rows

Ajouter les noms complets des pays à notre base

data_regions <- SW %>% 
  left_join(noc,by="abb") %>%
  filter(!is.na(region))

sous ensemble pour les jeux de 1980 et 2016,compter les athletes de chaque pays.

rio <- data_regions %>% 
  filter(year == "2016") %>%
  group_by(region) %>%
  summarize(Rio = length(unique(athlete)))

Arnhem_et_Veenendaal<- data_regions %>% 
  filter(year == "1980") %>%
  group_by(region) %>%
  summarize(Arnhem = length(unique(athlete)))

Creation des données pour la catographie

world <- map_data("world")
mapdat <- tibble(region=unique(world$region))
mapdat <- mapdat %>% 
  left_join(Arnhem_et_Veenendaal, by="region") %>%
  left_join(rio, by="region")
mapdat$Arnhem[is.na(mapdat$Arnhem)] <- 0
mapdat$Rio[is.na(mapdat$Rio)] <- 0
world <- left_join(world, mapdat, by="region")

la catographie: Arnhem et Veenendaal 1980

ggplot(world, aes(x = long, y = lat, group = group)) +
  geom_polygon(aes(fill = Arnhem)) +
  labs(title = "Arnhem et Veenendaal  1980",
       x = NULL, y = NULL) +
  theme(axis.ticks = element_blank(),
        axis.text = element_blank(),
        panel.background = element_rect(fill = "navy"),
        plot.title = element_text(hjust = 0.5)) +
  guides(fill=guide_colourbar(title="Athletes")) +
  scale_fill_gradient2(low="white",high = "red")

la catographie: Rio 2016

ggplot(world, aes(x = long, y = lat, group = group)) +
  geom_polygon(aes(fill = Rio)) +
  labs(title = "Rio 2016",
       x = NULL, y = NULL) +
  theme(axis.ticks = element_blank(),
        axis.text = element_blank(),
        panel.background = element_rect(fill = "navy"),
        plot.title = element_text(hjust = 0.5)) +
  guides(fill=guide_colourbar(title="Athletes")) +
  scale_fill_gradient2(low="white",high = "red")

La décomposition en continent :

**7.Combien chaque continent à de médailles ?

# medal_continent
continent <-readr::read_csv('https://raw.githubusercontent.com/youmrg/data_R/main/data.csv')
continent = continent %>%
  rename(abb = Three_Letter_Country_Code)

medal_continent <- SW %>%
left_join(continent,by="abb") %>%
  filter(!is.na(Continent_Name))

medal_continent<- medal_continent %>% filter(!is.na(medal))%>%
  group_by(year,Continent_Name) %>%
  summarize(Count=length(medal)) 
medal_continent
## # A tibble: 55 x 3
## # Groups:   year [10]
##     year Continent_Name Count
##    <dbl> <chr>          <int>
##  1  1980 Africa             1
##  2  1980 Asia              25
##  3  1980 Europe           238
##  4  1980 North America    119
##  5  1980 Oceania           13
##  6  1980 South America     13
##  7  1984 Africa             1
##  8  1984 Asia              38
##  9  1984 Europe           455
## 10  1984 North America    212
## # ... with 45 more rows
sum_medal_cont <- medal_continent %>%
  group_by(Continent_Name) %>%
  summarize(nombre_de_medailles=sum(Count))
 sum_medal_cont 
## # A tibble: 6 x 2
##   Continent_Name nombre_de_medailles
##   <chr>                        <int>
## 1 Africa                          10
## 2 Asia                           765
## 3 Europe                        2759
## 4 North America                 1088
## 5 Oceania                        528
## 6 South America                  178
pie_chart<- sum_medal_cont %>% 
  mutate(perc = `nombre_de_medailles` / sum(`nombre_de_medailles`)) %>% 
  arrange(perc) %>%
  mutate(labels = scales::percent(perc))
pie_chart
## # A tibble: 6 x 4
##   Continent_Name nombre_de_medailles    perc labels
##   <chr>                        <int>   <dbl> <chr> 
## 1 Africa                          10 0.00188 0.2%  
## 2 South America                  178 0.0334  3.3%  
## 3 Oceania                        528 0.0991  9.9%  
## 4 Asia                           765 0.144   14.4% 
## 5 North America                 1088 0.204   20.4% 
## 6 Europe                        2759 0.518   51.8%
ggplot(pie_chart, aes(x = "", y = perc, fill = Continent_Name)) +
  geom_col() +
  coord_polar(theta = "y")

le graphique animé :

WP3 <- ggplot(data = medal_continent, aes(x = year, y = Count, group=Continent_Name, color=Continent_Name)) +
  geom_line() +
  geom_point() +
  ggtitle("Nombre de médailles entre 1980 et 2016") +
  ylab("Nombre de médailles") +
  xlab("Année")+
  theme_classic()+
  view_follow(fixed_x = TRUE, 
              fixed_y = TRUE) +
  transition_reveal(year)
WP3 <- animate(WP3, end_pause = 15)

WP3

WP <- ggplot(data = medal_continent) +
  geom_col(mapping = aes(x = Continent_Name, y = Count), 
           fill = "darkcyan") +
  theme_classic() +
  xlab("Région") +
  ylab("Nombre de téléphones (en milliers)") +
  transition_states(year,
                    transition_length = 2,
                    state_length = 1, 
                    wrap = TRUE) +
  ggtitle("Année : {closest_state}")

WP